[发明专利]若干幅无序影像智能分类与拼接方法

说明书

本发明提供的若干幅无序影像智能分类与拼接方法，一是采用改进的基于BBF的K‑D树特征匹配方法进行若干幅无序影像特征匹配；二是定义拼接相关度用于描述影像间的相关性，定义拼接可信度用于描述影像之间相关强度；三是对相关影像进行排序优先宽度遍历，实现无序影像高速智能分类；四是通过优化传递式拼接方法降低影像拼接误差，结合影像拼接线和融合算法实现影像拼接。实践表明，本发明实现了更快速的特征匹配，定义了更精准的影像相关性描述量，实现更高速的影像智能分类与拼接，是无序影像智能分类与拼接的成功实践，实用高效、易于扩展、精准快速，解决了多幅无序影像智能分类与精准拼接问题。

技术领域

本发明涉及一种无序影像分类与拼接方法，特别涉及若干幅无序影像智能分类与拼接方法，属于无序影像拼接技术领域。

背景技术

影像拼接广泛应用于遥感影像处理、虚拟现实等领域，是计算机视觉与影像处理领域的重要内容，有着良好的市场价值与应用前景。伴随影像采集设备的普及和丰富，影像存储和网络信息分享更加便捷，影像数量急剧增长，不同场景、无序影像更具普遍性。这些影像可能由不同用户在不同场景、不同设备、不同视角下拍摄，它们之间的相对关系未知，属于多场景无序影像集。同时伴随航空、计算机、传感器等技术迅猛发展，低空数字摄影测量如无人机遥感已成为新兴发展方向，无人机等低空摄影设备，以其灵活机动、低成本、操作简单等优点成为遥感数据的重要获取手段。影像拼接是无人机等低空遥感应用中的一项重要内容，由于无人机等低空设备采集影像中飞行速度和位置较传统摄影测量设备，都有较大不可控性，采集的大量影像也呈现无序状态，存在重复采集、缺失采集的情况。

影像集中影像具有较强的独立性，同时大容量存储技术的进步，可能出现若干幅局部区域场景影像。因此实际应用中不同场景、无序影像将更加普遍，然而现有技术影像拼接技术主要针对的是单组有顺序的序列影像，该序列影像之间拼接相关性已知或者较为简单，主要是特征点提取，相邻序列影像之间的匹配等问题。对于无序影像拼接，必须考虑每幅影像与其它影像相关性及分类问题，对匹配效率、匹配准确性等问题提出了挑战。如何更为快速的实现大量特征的匹配；如何定义更为精准的量来描述影像间的相关性；如果影像不是来自同一组场景，如何高速实现若干幅无序影像的智能分类与拼接。

无序影像拼接实现分三步。首先为所有影像提取局部不变特征并完成影像特征匹配，其次对完成特征匹配的多场景无序影像进行分类，最后对分类后同一组内即一系列具有重叠区域的影像进行拼接与融合，实现多场景无序影像拼接。以下主要分析以上三部分的现有技术及发展趋势。

现有技术的影像特征匹配是确定影像之间同名点的过程，根据邻接影像之间视角变化情况，分为窄基线匹配和宽基线匹配。其中，窄基线匹配常在航空摄影测量影像处理中出现，常采用协相关系数法；宽基线情况下，邻接影像之间视角变换较大，常采用基于特征的匹配方法。局部影像特征向更加高效、低存储的方向发展，这将使得以后局部影像特征在快速实时性、大规模的应用中发挥更大的作用。

现有技术的无序影像分类常出现在计算机视觉的多视匹配、影像识别、影像检索等领域。无序影像分类大致分为二类，一种是穷举匹配法，另一种是基于机器学习的字典树法。虽然穷举法精度较高，但是其效率伴随影像数量的增加而严重下降，影响其在很多领域的应用。基于机器学习的字典树法，采用对影像特征聚类分析的方式得到字典树，对应的查询影像采用与字典树的叶子节点数相同的维数来表示，在效率上有很大提高，由于机器学习过程中损失较多信息，容易出现影像分类错误，比如基于机器学习的字典树法的分类准确度就比较低。

现有技术的影像拼接大致分成两类：直接法和基于影像特征的方法。直接法利用到一切有利数据，影像配准精度较高，然而该方法需要较高质量的初始数据；而基于影像特征的方法不需要初始数据。现有技术的影像拼接技术大多集中在单组有顺序的序列影像，主要针对特征点提取，相邻序列影像之间的匹配等问题，但只适用于影像之间仅存在平移的情况，对影像的旋转、缩放以及灰度变换有局限性，对于尺度变换明显的影像特征匹配精度提高意义并不大。

综上，现有技术都还存在一些明显不足，表现在以下方面：